к.ф.-м.н., профессор
г. Архангельск
PhD, professor
Arkhangelsk
г. Могилев
г. Архангельск, Россия
Mogilev
Arkhangelsk, Russia
к.м.н.
г. Могилев
PhD
Mogilev
Актуальность. По данным Министерства здравоохранения Российской Федерации ежегодно с заболеваниями уха более 6% населения страны обращается к ЛОР-врачу. В условиях высокой нагрузки на специалистов необходимо ускоренное внедрение методов искусственного интеллекта (ИИ) для помощи в постановке диагнозов.
Цель исследования. Разработка прототипа медицинской системы с ИИ (МС ИИ) для диагностики заболеваний уха по отоскопическим изображениям (ОИ) с достижением диагностической точности на тестовом наборе не менее 95% за счет применения методик на основе трансферного обучения предварительно обученных глубоких нейронных сетей (НС).
Материалы и методы. Выбран и подготовлен размеченный набор данных ОИ для 5 сбалансированных диагностических классов, представленный на ресурсе Kaggle.com. Для эффективной реализации трансферного обучения нейросетевых моделей (НСМ) и предотвращения переобучения был реализован конвейер предварительной обработки и аугментации данных. Представлены разработанный пользовательский веб-интерфейс для интеграции НСМ и применение метода Grad-CAM для визуализации областей диагностики на изображениях.
Результаты. Для трансферного обучения выбраны CNN-модели: ResNet18, ResNet50, EfficientNet-B0 и EfficientNet- B2. Диагностика заболеваний уха по ОИ для 5 диагностических категорий показала следующую точность моделей в порядке упоминания по итогам экспериментов с «мягкой» аугментацией обучающей выборки: 95,3%; 96,1%, 97,8% и 99,7%. Модель ResNet50 с «мягкой» аугментацией обучающей выборки для 3 классов показала общую точ- ность на тестовых данных 97%. Представлены тепловые карты визуализации результатов диагностики с применением метода Grad-CAM.
Заключение. Трансферное обучение с адаптацией выбранных предобученных архитектур ResNet18, ResNet50, EfficientNet-B0 и EfficientNet-B2 к задаче многоклассовой классификации ОИ для сбалансированных классов обеспечило достижение заданной точности автоматической диагностики. Подготовлены условия для организации совместных действий с Могилевской областной клинической больницей по разработке МС ИИ для диагностики болезней уха.
Relevance. According to the Ministry of Health of the Russian Federation, more than 6% of the country's population consults an otorhinolaryngologist annually due to ear diseases. Given the high workload of specialists, the accelerated implementation of artificial intelligence (AI) methods to assist in diagnosis is necessary. Objective. To develop a prototype AI-based medical system (AI MS) for diagnosing ear diseases from otoscopic images (OIs), achieving a diagnostic accuracy of at least 95% on the test set through transfer learning techniques applied to pre-trained deep neural networks (NNs).
Materials and methods. A labeled otoscopic image dataset representing five balanced diagnostic classes was selected and prepared from Kaggle.com. To effectively implement transfer learning of neural network models and prevent overfitting, a data preprocessing and augmentation pipeline was established. A custom web interface for NNM integration was developed, and the Grad-CAM method was applied to visualize diagnostic regions within the images.
Results. The CNN models selected for transfer learning were ResNet18, ResNet50, EfficientNet-B0, and EfficientNet-B2. Based on experiments using "soft" augmentation of the training set, the diagnostic accuracy for five ear disease categories—listed in the order mentioned—was 95.3%, 96.1%, 97.8%, and 99.7%, respectively. The ResNet50 model with soft augmentation of the training set for 3 classes showed an overall test data accuracy of 97%. Heatmaps visualizing the diagnostic results using the Grad-CAM method are presented.
Conclusion. Transfer learning, involving the adaptation of selected pre-trained architectures (ResNet18, ResNet50, EfficientNet-B0, and EfficientNet-B2) to the task of multiclass classification of ear diseases using balanced classes, enabled the achievement of the target accuracy for automated diagnosis. Conditions have been established for collaborative efforts with the Mogilev Regional Clinical Hospital (MRCH) to develop an AI-based medical system for diagnosing ear diseases.
The authors declare that there are no conflicts of interest present.